경기도 지역 내 등록반려동물수 코로플레스 맵

라이브러리 임포트

Code

import numpy as np
import pandas as pd
import json
import folium
from branca.colormap import linear
print('folium version: ', folium.__version__)

folium version:  0.13.0

그래프 한글 글꼴 깨짐 방지 코드

Code

import matplotlib.pyplot as plt
import seaborn as sns

# 한글폰트 처리 
plt.rcParams['font.size'] = 11.0
plt.rcParams['font.family'] = ['Malgun Gothic', 'AppleGothic']

# 그래프에서 마이너스 폰트 깨지는 문제에 대한 대처
plt.rcParams['axes.unicode_minus'] = False

반려동물 등록현황 데이터 불러오고 내용 확인하기

Code

pet = pd.read_csv('data/반려동물등록현황.csv')

print('pet data shape: ', pet.shape)

pet data shape:  (729, 14)

Code

pet.head(2)

	시군명	읍면동명	등록동물수(마리)	(등록주체)시군구등록	(등록주체)대행업체등록	(등록주체)기타	(RFID종류)내장형	(RFID종류)외장형	(RFID종류)인식표	등록품종수	등록소유자수	동물소유자당등록동물수	해당동의등록대행업체수	데이터기준일자
0	가평군	가평읍	941	NaN	NaN	NaN	596	294	51	NaN	85.0	NaN	3.0	2022-06-14
1	가평군	북면	289	NaN	NaN	NaN	176	93	20	NaN	185.0	NaN	0.0	2022-06-14

Code

pet['데이터기준일자'] = pd.to_datetime(pet['데이터기준일자'])
print('데이터 수집 기간: ', pet['데이터기준일자'].dt.year.unique())

데이터 수집 기간:  [2022 2020 2021]

필요한 컬럼만 선택

Code

print('전체 컬럼명: ', pet.columns)

전체 컬럼명:  Index(['시군명', '읍면동명', '등록동물수(마리)', '(등록주체)시군구등록', '(등록주체)대행업체등록', '(등록주체)기타',
       '(RFID종류)내장형', '(RFID종류)외장형', '(RFID종류)인식표', '등록품종수', '등록소유자수',
       '동물소유자당등록동물수', '해당동의등록대행업체수', '데이터기준일자'],
      dtype='object')

Code

print('사용할 컬럼만 골라 데이터프레임에 덮어 씌움')
pet = pet.loc[ :, ['시군명', '읍면동명', '등록동물수(마리)', '등록소유자수']]
pet.head()

사용할 컬럼만 골라 데이터프레임에 덮어 씌움

	시군명	읍면동명	등록동물수(마리)	등록소유자수
0	가평군	가평읍	941	85.0
1	가평군	북면	289	185.0
2	가평군	상면	399	243.0
3	가평군	설악면	1111	625.0
4	가평군	조종면	416	274.0

결측치 확인

• 결측치가 있는 행 출력해서 따로 처리해야 할 사항이 있는지 확인
• df.isna().sum() -> 열별로 결측치 개수 출력
• [결측치 있는 열].isna() 들를 |(or)로 묶어 boolean indexing

Code

pet.isna().sum()

시군명          0
읍면동명         2
등록동물수(마리)    0
등록소유자수       1
dtype: int64

Code

# 결측치가 분석에 큰 영향을 주지 않아 그대로 남김
pet[pet['읍면동명'].isna() | pet['등록소유자수'].isna()]

	시군명	읍면동명	등록동물수(마리)	등록소유자수
106	군포시	NaN	15480	12226.0
537	의정부시	NaN	58997	NaN

시군 단위로 분석 범위 제한 groupby

• 시간이 부족해 읍면동 단위까지 데이터를 정제하고 시각화하기 어려워 시군 단위까지로 분석 범위를 제한함
• 지도에 등록반려동물수 마커를 표시하는 지점을 시군청 위치로 정함
• 관공서 위경도 파일과 병합하기 위해 시군청명을 만들어 별도의 컬럼으로 붙임

Code

print('전체 읍면동 개수: ', len(pet['읍면동명'].unique()))

전체 읍면동 개수:  675

Code

print(pet['시군명'].unique())
print('시군 개수: ', len(pet['시군명'].unique()))

['가평군' '고양시' '과천시' '광명시' '광주시' '구리시' '군포시' '김포시' '남양주시' '동두천시' '부천시' '성남시'
 '수원시' '시흥시' '안산시' '안성시' '안양시' '양주시' '양평군' '여주시' '연천군' '오산시' '용인시' '의왕시'
 '의정부시' '이천시' '파주시' '평택시' '포천시' '하남시' '화성시']
시군 개수:  31

• 시군 단위로 groupby -> 시군별 등록 반려동물 수 합계
• 시군별 등록동물수와 등록소유자수 데이터프레임 생성
• 아래 관공서 데이터와 병합 위해 reset_index

Code

pet_group = pet.groupby('시군명')
pet_num = pet_group[['등록동물수(마리)', '등록소유자수']].sum()
pet_num = pet_num.reset_index()
pet_num.head(5)

	시군명	등록동물수(마리)	등록소유자수
0	가평군	4017	2006.0
1	고양시	73477	54580.0
2	과천시	2974	2325.0
3	광명시	20161	15698.0
4	광주시	29042	19368.0

가로 막대그래프 시각화

• 등록동물수(마리) 기준 내림차순으로 데이터프레임 정렬: df.sort_values(‘열이름’)
• 가로 막대그래프: bars = ax.barh(indexes, values)
• 막대 그래프 끝에 값 표시: ax.bar_label(bars)
• 값에는 1000 단위마다 쉼표 추가: ax.bar_label(bars, labels=[f’{x:,.0f}’ for x in bars.datavalues])

Code

pet_graph = pet_num.sort_values('등록동물수(마리)')

fig, ax = plt.subplots(figsize=(10,7))
barh = ax.barh(pet_graph['시군명'], pet_graph['등록동물수(마리)'])
ax.bar_label(barh, labels=[f'{x:,.0f}' for x in barh.datavalues])
ax.set_xlim(right=130000) # x축 최대값 설정. 설정하지 않으면 부천시 숫자값이 테두리 밖으로 튀어나옴
plt.show()

• bars 안에는 xy좌표 튜플, 막대 넓이(width, 여기서는 반려동물수), 막대 높이(height, 여기서는 막대두께), angle은 0도 값이 담겨 있다.

Code

for bar in barh:
    print(bar)

Rectangle(xy=(0, -0.4), width=2020, height=0.8, angle=0)
Rectangle(xy=(0, 0.6), width=2974, height=0.8, angle=0)
Rectangle(xy=(0, 1.6), width=4017, height=0.8, angle=0)
Rectangle(xy=(0, 2.6), width=5252, height=0.8, angle=0)
Rectangle(xy=(0, 3.6), width=6590, height=0.8, angle=0)
Rectangle(xy=(0, 4.6), width=6998, height=0.8, angle=0)
Rectangle(xy=(0, 5.6), width=7912, height=0.8, angle=0)
Rectangle(xy=(0, 6.6), width=11168, height=0.8, angle=0)
Rectangle(xy=(0, 7.6), width=11848, height=0.8, angle=0)
Rectangle(xy=(0, 8.6), width=12381, height=0.8, angle=0)
Rectangle(xy=(0, 9.6), width=13147, height=0.8, angle=0)
Rectangle(xy=(0, 10.6), width=13291, height=0.8, angle=0)
Rectangle(xy=(0, 11.6), width=14471, height=0.8, angle=0)
Rectangle(xy=(0, 12.6), width=15480, height=0.8, angle=0)
Rectangle(xy=(0, 13.6), width=17634, height=0.8, angle=0)
Rectangle(xy=(0, 14.6), width=19950, height=0.8, angle=0)
Rectangle(xy=(0, 15.6), width=20161, height=0.8, angle=0)
Rectangle(xy=(0, 16.6), width=24057, height=0.8, angle=0)
Rectangle(xy=(0, 17.6), width=29042, height=0.8, angle=0)
Rectangle(xy=(0, 18.6), width=30539, height=0.8, angle=0)
Rectangle(xy=(0, 19.6), width=35644, height=0.8, angle=0)
Rectangle(xy=(0, 20.6), width=42957, height=0.8, angle=0)
Rectangle(xy=(0, 21.6), width=48264, height=0.8, angle=0)
Rectangle(xy=(0, 22.6), width=50227, height=0.8, angle=0)
Rectangle(xy=(0, 23.6), width=55728, height=0.8, angle=0)
Rectangle(xy=(0, 24.6), width=58997, height=0.8, angle=0)
Rectangle(xy=(0, 25.6), width=60468, height=0.8, angle=0)
Rectangle(xy=(0, 26.6), width=65330, height=0.8, angle=0)
Rectangle(xy=(0, 27.6), width=73477, height=0.8, angle=0)
Rectangle(xy=(0, 28.6), width=86158, height=0.8, angle=0)
Rectangle(xy=(0, 29.6), width=113892, height=0.8, angle=0)

세로 막대그래프로 표현

• 세로 막대그래프일 때는 막대 높이(height)에 반려동물수가 담겨 있고, angle은 0으로 같다.

Code

pet_graph = pet_num.sort_values('등록동물수(마리)', ascending=False)
fig, ax = plt.subplots(figsize=(15,7))
bar = ax.bar(pet_graph['시군명'], pet_graph['등록동물수(마리)'])
ax.bar_label(bar, labels=[f'{x:,.0f}' for x in bar.datavalues]) # 막대그래프 값을 30도로 돌리는 방법은???
plt.setp(ax.get_xticklabels(), rotation=30) # x출 레이블 30도로 돌리기
plt.show()

관공서 위경도 추가

• 지도의 시군청사 위치에 반려동물 숫자를 표시하기로 함.
• 그러기 위해서는 시군청사 위도, 경도 데이터를 기존 데이터프레임 기준으로 병합해야 함.
• csv 파일에 위경도 데이터가 없는 곳은 다울 주소변환 사이트에서 가져옴

Code

gov = pd.read_csv('data/경기도청사및출장소현황.csv')
gov.head(3)

	집계일자	시군명	구분명	전화번호안내	소재지우편번호	소재지도로명주소	소재지지번주소	WGS84위도	WGS84경도
0	2022-05-06	광명시	철산2동	02-2680-6609	14215	경기도 광명시 시청로 61	경기도 광명시 철산동 160-4번지	37.484689	126.866622
1	2022-05-06	광명시	일직동	02-2680-5800	14345	경기도 광명시 양지로 19 6층	경기도 광명시 일직동 512-3번지 6층	37.418938	126.882693
2	2022-04-16	오산시	남촌동행정복지센터	031-8036-6260	18119	경기도 오산시 청학로 55-5 (청학동)	경기도 오산시 청학동 16-6	37.154587	127.063455

반려동물 데이터프레임과 left join

• 기존 pet_num_si 데이터프레임과 위경도가 있는 gov 데이터프레임을 left join
• join 기준 열의 데이터를 맞추기 위해 시군명 뒤에 ‘청’ 단어를 붙임

Code

pet_num['관공서'] = pet_num['시군명'] + '청'

• 기존 데이터프레임 기준으로 left join 후 컬럼명 확인

Code

tmp = pet_num.merge(gov, how='left', left_on='관공서', right_on='구분명')
tmp.columns

Index(['시군명_x', '등록동물수(마리)', '등록소유자수', '관공서', '집계일자', '시군명_y', '구분명', '전화번호안내',
       '소재지우편번호', '소재지도로명주소', '소재지지번주소', 'WGS84위도', 'WGS84경도'],
      dtype='object')

• 필요한 컬럼만 뽑아서 기존 데이터프레임을 덮어씀

Code

pet_num_si = tmp.loc[:, ['시군명_x', '등록동물수(마리)', '등록소유자수', '관공서', 'WGS84위도', 'WGS84경도']]
pet_num_si.head()

	시군명_x	등록동물수(마리)	등록소유자수	관공서	WGS84위도	WGS84경도
0	가평군	4017	2006.0	가평군청	37.831318	127.509706
1	고양시	73477	54580.0	고양시청	37.658422	126.831964
2	과천시	2974	2325.0	과천시청	37.429812	126.986963
3	광명시	20161	15698.0	광명시청	37.479097	126.864846
4	광주시	29042	19368.0	광주시청	37.429433	127.255084

• 다시 결측치 확인 -> 위, 경도에 결측치 존재

Code

pet_num_si.isna().sum()

시군명_x        0
등록동물수(마리)    0
등록소유자수       0
관공서          0
WGS84위도      3
WGS84경도      3
dtype: int64

• 위도, 경도가 없는 행만 출력

Code

pet_num_si[ (pet_num_si['WGS84위도'].isna()) | (pet_num_si['WGS84경도'].isna()) ]

	시군명_x	등록동물수(마리)	등록소유자수	관공서	WGS84위도	WGS84경도
8	남양주시	42957	31542.0	남양주시청	NaN	NaN
10	부천시	113892	86532.0	부천시청	NaN	NaN
30	화성시	48264	35496.0	화성시청	NaN	NaN

• 다올 주소변환 사이트에서 위경도를 가져와 입력함

Code

pet_num_si.iloc[8, [4, 5]] = 37.6366920245, 127.2174958647  # 남양주1청사
pet_num_si.iloc[10, [4, 5]] = 37.5029019, 126.765889 # 부천시청
pet_num_si.iloc[30, [4, 5]] = 37.1994150, 126.831523  # 화성시청

• 다시 결측치 확인 -> 없음

Code

pet_num_si.isna().sum()

시군명_x        0
등록동물수(마리)    0
등록소유자수       0
관공서          0
WGS84위도      0
WGS84경도      0
dtype: int64

사용하기 편하게 열이름(컬럼명) 바꾸기

Code

pet_num_si = pet_num_si.rename(columns = 
                               {'시군명_x':'시군명', 
                                '등록동물수(마리)':'등록동물수', 
                                'WGS84위도':'위도', 
                                'WGS84경도':'경도'})
pet_num_si.head()

	시군명	등록동물수	등록소유자수	관공서	위도	경도
0	가평군	4017	2006.0	가평군청	37.831318	127.509706
1	고양시	73477	54580.0	고양시청	37.658422	126.831964
2	과천시	2974	2325.0	과천시청	37.429812	126.986963
3	광명시	20161	15698.0	광명시청	37.479097	126.864846
4	광주시	29042	19368.0	광주시청	37.429433	127.255084

인구 정보 추가

• 인구가 많은 지역에 등록반려동물수도 많기 때문에 인구수로 나눠 1인당 마리수를 구함
• 최신 인구현황인 2022년 9월 데이터만 남김
• 데이터를 보니 중복값이 있고 시군구까지 표시된 행이 하위 읍면동의 인구를 포함하고 있음
• 따라서 먼저 중복값을 삭제하고
• 시군구까지 표시된 행만 추려내야 함

Code

popu = pd.read_csv('data/주민등록인구집계현황.csv')
popu.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 107486 entries, 0 to 107485
Data columns (total 40 columns):
 #   Column       Non-Null Count   Dtype 
---  ------       --------------   ----- 
 0   연도           107486 non-null  int64 
 1   월            107486 non-null  int64 
 2   행정구역구분명      107486 non-null  object
 3   행정구역명        107486 non-null  object
 4   총 인구수        107486 non-null  int64 
 5   0~9세         107486 non-null  int64 
 6   10~19세       107486 non-null  int64 
 7   20~29세       107486 non-null  int64 
 8   30~39세       107486 non-null  int64 
 9   40~49세       107486 non-null  int64 
 10  50~59세       107486 non-null  int64 
 11  60~69세       107486 non-null  int64 
 12  70~79세       107486 non-null  int64 
 13  80~89세       107486 non-null  int64 
 14  90~99세       107486 non-null  int64 
 15  100세 이상      107486 non-null  int64 
 16  총 인구수 (남)    107486 non-null  int64 
 17  0~9세 (남)     107486 non-null  int64 
 18  10~19세 (남)   107486 non-null  int64 
 19  20~29세 (남)   107486 non-null  int64 
 20  30~39세 (남)   107486 non-null  int64 
 21  40~49세 (남)   107486 non-null  int64 
 22  50~59세 (남)   107486 non-null  int64 
 23  60~69세 (남)   107486 non-null  int64 
 24  70~79세 (남)   107486 non-null  int64 
 25  80~89세 (남)   107486 non-null  int64 
 26  90~99세 (남)   107486 non-null  int64 
 27  100세 이상 (남)  107486 non-null  int64 
 28  총 인구수 (여)    107486 non-null  int64 
 29  0~9세 (여)     107486 non-null  int64 
 30  10~19세 (여)   107486 non-null  int64 
 31  20~29세 (여)   107486 non-null  int64 
 32  30~39세 (여)   107486 non-null  int64 
 33  40~49세 (여)   107486 non-null  int64 
 34  50~59세 (여)   107486 non-null  int64 
 35  60~69세 (여)   107486 non-null  int64 
 36  70~79세 (여)   107486 non-null  int64 
 37  80~89세 (여)   107486 non-null  int64 
 38  90~99세 (여)   107486 non-null  int64 
 39  100세 이상 (여)  107486 non-null  int64 
dtypes: int64(38), object(2)
memory usage: 32.8+ MB

• 최신 데이터인 2022년 9월의 총 인구수만 남김

Code

popu = popu[(popu['연도'] == 2022) & (popu['월'] == 9)][['행정구역명', '총 인구수']]
popu.head(5)

	행정구역명	총 인구수
0	경기도	13574353
1	경기도 가평군	62168
2	경기도 가평군 가평읍	19532
3	경기도 가평군 북면	3821
4	경기도 가평군 상면	5688

• 첫 번째 행 삭제. 경기도 전체 인구이기 때문에

Code

popu = popu.drop(0, axis=0)
popu.head(3)

	행정구역명	총 인구수
1	경기도 가평군	62168
2	경기도 가평군 가평읍	19532
3	경기도 가평군 북면	3821

총 인구수가 0인 행 삭제

Code

print('총 인구수가 0인 행 개수: ', len(popu[popu['총 인구수'] == 0]))

총 인구수가 0인 행 개수:  5

Code

mask = popu['총 인구수'] == 0
popu = popu[~mask]
print('총 인구수가 0인 행 개수: ', len(popu[popu['총 인구수'] == 0]))

총 인구수가 0인 행 개수:  0

중복값 여부 확인

Code

popu['행정구역명'].duplicated().sum()

0

시군구 문자열을 공백으로 분리 <- 취소

• 문자열을 공백으로 분리한 후 별도의 데이터프레임으로 반환
• 행정구역명에서 시군명만 빼내기 위해 공백을 기준으로 분리한 후 별도의 데이터프레임으로 만듦
• 0번 열에는 경기도, 1번 열에는 시군명, 2번 열에는 읍면동
• 1번 열만 내용 확인

프로젝트가 끝나고 다시 보다 잘못 처리한 걸 발견함. 시군구 데이터가 아래 읍면동 데이터를 포함하고 있는 것을 간과하고 모두 합함 즉, 인구가 2배가 됨

Code

# tmp = popu['행정구역명'].str.split(pat=' ', expand=True)
# tmp[1].unique() , len(tmp[1].unique())

행정구역명이 3단어로 되어 있는 행(읍면동까지 있는 것)에 false를 부여하여 제외함

• apply 함수로 ‘행정구역명’ 열의 문자열을 split으로 분리해 반환된 리스트 요소 개수가 2인 것만 True 부여
• boolean indexing으로 시군까지의 인구통계만 남김

Code

popu = popu[popu['행정구역명'].apply(lambda x: len(x.split())) == 2]
popu

	행정구역명	총 인구수
1	경기도 가평군	62168
8	경기도 고양시	1079277
56	경기도 과천시	78301
63	경기도 광명시	290756
83	경기도 광주시	388893
97	경기도 구리시	191011
106	경기도 군포시	267493
119	경기도 김포시	485609
134	경기도 남양주시	734642
153	경기도 동두천시	93260
162	경기도 부천시	801503
173	경기도 성남시	928267
228	경기도 수원시	1188234
277	경기도 시흥시	512721
297	경기도 안산시	650708
325	경기도 안성시	189772
341	경기도 안양시	549724
376	경기도 양주시	236142
388	경기도 양평군	121789
401	경기도 여주시	112410
414	경기도 연천군	42731
425	경기도 오산시	230028
432	경기도 용인시	1075877
474	경기도 의왕시	162137
481	경기도 의정부시	464358
496	경기도 이천시	222722
511	경기도 파주시	486515
529	경기도 평택시	569369
555	경기도 포천시	148469
571	경기도 하남시	323558
586	경기도 화성시	892038

• 행정구역명 문자열을 빈 칸 기준으로 나눠 두 번째 값만 다시 행정구역명으로 입력

Code

popu['행정구역명'] = popu['행정구역명'].apply(lambda x: x.split()[1])
popu.head()

	행정구역명	총 인구수
1	가평군	62168
8	고양시	1079277
56	과천시	78301
63	광명시	290756
83	광주시	388893

기존 데이터프레임과 inner join

• 기존 데이터프레임에 인구 데이터프레임 병합

Code

df = pet_num_si.merge(popu, how='inner', left_on='시군명', right_on='행정구역명')
df.head()

	시군명	등록동물수	등록소유자수	관공서	위도	경도	행정구역명	총 인구수
0	가평군	4017	2006.0	가평군청	37.831318	127.509706	가평군	62168
1	고양시	73477	54580.0	고양시청	37.658422	126.831964	고양시	1079277
2	과천시	2974	2325.0	과천시청	37.429812	126.986963	과천시	78301
3	광명시	20161	15698.0	광명시청	37.479097	126.864846	광명시	290756
4	광주시	29042	19368.0	광주시청	37.429433	127.255084	광주시	388893

• 중복 열 삭제

Code

df = df.drop('행정구역명', axis=1)
df.head()

	시군명	등록동물수	등록소유자수	관공서	위도	경도	총 인구수
0	가평군	4017	2006.0	가평군청	37.831318	127.509706	62168
1	고양시	73477	54580.0	고양시청	37.658422	126.831964	1079277
2	과천시	2974	2325.0	과천시청	37.429812	126.986963	78301
3	광명시	20161	15698.0	광명시청	37.479097	126.864846	290756
4	광주시	29042	19368.0	광주시청	37.429433	127.255084	388893

인구 당 등록 반려동물수

Code

( df['등록동물수'] / df['총 인구수'] )

0     0.064615
1     0.068080
2     0.037982
3     0.069340
4     0.074679
5     0.064818
6     0.057871
7     0.016293
8     0.058473
9     0.075038
10    0.142098
11    0.060034
12    0.054981
13    0.059563
14    0.132407
15    0.105126
16    0.064840
17    0.050173
18    0.109131
19    0.046722
20    0.047272
21    0.062910
22    0.046685
23    0.040645
24    0.127051
25    0.059029
26    0.049448
27    0.106202
28    0.075221
29    0.054500
30    0.054105
dtype: float64

• 숫자 크기가 너무 작아 인구 1000명 당 마리수 산출
• 가장 숫자가 많은 5개 시군만 출력 df.nlargest(개수, ‘열이름’)

Code

df['1000명당마리수'] = np.round( (df['등록동물수'] / df['총 인구수']) * 1000, 2)
df.nlargest(5, '1000명당마리수')

	시군명	등록동물수	등록소유자수	관공서	위도	경도	총 인구수	1000명당마리수
10	부천시	113892	86532.0	부천시청	37.502902	126.765889	801503	142.10
14	안산시	86158	64634.0	안산시청	37.322131	126.830243	650708	132.41
24	의정부시	58997	0.0	의정부시청	37.738063	127.033840	464358	127.05
18	양평군	13291	7308.0	양평군청	37.491741	127.487682	121789	109.13
27	평택시	60468	43718.0	평택시청	36.992300	127.112527	569369	106.20

• 소유자 당 마리 수
• 의정부시는 소유자 정보가 없음

Code

df['1소유자당마리수'] = np.round(df['등록동물수'] / df['등록소유자수'], 2)
df.nlargest(5, '1소유자당마리수')

	시군명	등록동물수	등록소유자수	관공서	위도	경도	총 인구수	1000명당마리수	1소유자당마리수
24	의정부시	58997	0.0	의정부시청	37.738063	127.033840	464358	127.05	inf
0	가평군	4017	2006.0	가평군청	37.831318	127.509706	62168	64.62	2.00
28	포천시	11168	5719.0	포천시청	37.894701	127.200341	148469	75.22	1.95
18	양평군	13291	7308.0	양평군청	37.491741	127.487682	121789	109.13	1.82
19	여주시	5252	3365.0	여주시청	37.298214	127.636623	112410	46.72	1.56

가로 막대그래프로 시각화

• subplots 그래프 그리기

Code

petall_graph = df.sort_values('등록동물수')
pet_graph = df.sort_values('1000명당마리수')

fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(20,10))

ax[0].barh(petall_graph['시군명'], petall_graph['등록동물수'])
ax[0].set_title('등록 반려동물수')

ax[1].barh(pet_graph['시군명'], pet_graph['1000명당마리수'])
ax[1].set_title('1000명 당 마리수')

plt.show()

코로플레스 지도(Choropleth map) 만들기

• 데이터프레임의 ‘시군명’과 json 파일의 ’sggnm’ 키의 값이 같아야 지도에 표시됨. 그렇지 않으면 까맣게 나옴

경기도 시군별 등록된 반려동물수

Code

m = folium.Map(
    location = [37.528043, 126.980238],
    zoom_start = 8)

lat = list(df['위도'])
long = list(df['경도'])
name = list(df['등록동물수'])
si = list(df['시군명'])

for i in range(len(lat)):
    folium.Marker(
            [lat[i], long[i]], tooltip=f'<b>{si[i]}</b><br>반려동물수: {str(name[i])}',
            icon=folium.Icon(color='red')
            ).add_to(m)

    
geo_data = json.load(open('data/kyeong.geojson'))

folium.Choropleth(
    geo_data = geo_data,
    data = df,
    columns= ['시군명', '등록동물수'],
    key_on = 'feature.properties.sggnm',
    fill_color = 'Reds',
    fill_opacity = 0.7,
    line_opacity = 0.4,
    legend_name = '시군별 등록 반려동물수(마리))'
).add_to(m)

folium.LayerControl().add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

경기도 시군별 인구 1000명 당 등록된 반려동물수

Code

m = folium.Map(
    location = [37.528043, 126.980238],
    zoom_start = 8)

lat = list(df['위도'])
long = list(df['경도'])
name = list(df['등록동물수'])
si = list(df['시군명'])

for i in range(len(lat)):
    folium.Marker(
            [lat[i], long[i]], tooltip=f'<b>{si[i]}</b><br>1000명 당 반려동물수: {str(name[i])}',
            icon=folium.Icon(color='red')
            ).add_to(m)

    
geo_data = json.load(open('data/kyeong.geojson'))

folium.Choropleth(
    geo_data = geo_data,
    data = df,
    columns= ['시군명', '1000명당마리수'],
    key_on = 'feature.properties.sggnm',
    fill_color = 'Reds',
    fill_opacity = 0.7,
    line_opacity = 0.4,
    legend_name = '인구 1000명 당 등록 반려동물 수(마리))'
).add_to(m)

folium.LayerControl().add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

시군별 평균 연령 데이터 추가

Code

age = pd.read_csv('data/평균연령집계현황.csv')
age.head()

	연도	월	행정구역구분명	행정구역명	남자 평균연령	여자 평균연령	평균연령
0	2022	9	도	경기도	41.4	43.2	42.3
1	2022	9	시군	경기도 가평군	49.1	51.6	50.3
2	2022	9	읍면동	경기도 가평군 가평읍	46.9	49.7	48.3
3	2022	9	읍면동	경기도 가평군 북면	55.0	57.9	56.4
4	2022	9	읍면동	경기도 가평군 상면	52.8	56.9	54.7

• 결측치 확인

Code

age.isna().sum()

연도         0
월          0
행정구역구분명    0
행정구역명      0
남자 평균연령    0
여자 평균연령    0
평균연령       0
dtype: int64

• 2022년 9월의 일부 컬럼만 선택

Code

age = age[(age['연도'] == 2022) & (age['월'] == 9)][['행정구역명', '평균연령', '남자 평균연령', '여자 평균연령']]
age.head(5)

	행정구역명	평균연령	남자 평균연령	여자 평균연령
0	경기도	42.3	41.4	43.2
1	경기도 가평군	50.3	49.1	51.6
2	경기도 가평군 가평읍	48.3	46.9	49.7
3	경기도 가평군 북면	56.4	55.0	57.9
4	경기도 가평군 상면	54.7	52.8	56.9

• 시군구까지의 행정구역명만 남기고 모두 삭제

Code

age = age[age['행정구역명'].apply(lambda x: len(x.split())) == 2]
age.head()

	행정구역명	평균연령	남자 평균연령	여자 평균연령
1	경기도 가평군	50.3	49.1	51.6
8	경기도 고양시	42.9	42.0	43.9
56	경기도 과천시	41.5	40.4	42.5
63	경기도 광명시	42.7	41.6	43.8
83	경기도 광주시	42.6	42.0	43.3

• 행정구역명에서 경기도 삭제

Code

age['행정구역명'] = age['행정구역명'].apply(lambda x: x.split()[1])
age.tail()

	행정구역명	평균연령	남자 평균연령	여자 평균연령
509	파주시	41.7	40.8	42.7
527	평택시	40.9	40.0	41.9
553	포천시	47.5	46.4	48.8
568	하남시	40.7	40.2	41.2
583	화성시	38.1	37.7	38.5

기존 데이터프레임과 inner join

Code

pet_man = df.merge(age, how='inner', left_on='시군명', right_on='행정구역명')
pet_man.head()

	시군명	등록동물수	등록소유자수	관공서	위도	경도	총 인구수	1000명당마리수	1소유자당마리수	행정구역명	평균연령	남자 평균연령	여자 평균연령
0	가평군	4017	2006.0	가평군청	37.831318	127.509706	62168	64.62	2.00	가평군	50.3	49.1	51.6
1	고양시	73477	54580.0	고양시청	37.658422	126.831964	1079277	68.08	1.35	고양시	42.9	42.0	43.9
2	과천시	2974	2325.0	과천시청	37.429812	126.986963	78301	37.98	1.28	과천시	41.5	40.4	42.5
3	광명시	20161	15698.0	광명시청	37.479097	126.864846	290756	69.34	1.28	광명시	42.7	41.6	43.8
4	광주시	29042	19368.0	광주시청	37.429433	127.255084	388893	74.68	1.50	광주시	42.6	42.0	43.3

• 행정구역명 열 삭제 후 ’시군명’을 인덱스로 설정

Code

pet_man = pet_man.drop('행정구역명', axis=1)
pet_man = pet_man.set_index('시군명')
pet_man.tail()

	등록동물수	등록소유자수	관공서	위도	경도	총 인구수	1000명당마리수	1소유자당마리수	평균연령	남자 평균연령	여자 평균연령
시군명
파주시	24057	16584.0	파주시청	37.760041	126.779877	486515	49.45	1.45	41.7	40.8	42.7
평택시	60468	43718.0	평택시청	36.992300	127.112527	569369	106.20	1.38	40.9	40.0	41.9
포천시	11168	5719.0	포천시청	37.894701	127.200341	148469	75.22	1.95	47.5	46.4	48.8
하남시	17634	13085.0	하남시청	37.539057	127.215530	323558	54.50	1.35	40.7	40.2	41.2
화성시	48264	35496.0	화성시청	37.199415	126.831523	892038	54.11	1.36	38.1	37.7	38.5

상관관계

• 상관관계를 보니 흥미로운 점이 몇 가지 보인다.
• 등록된 반려동물수가 경도와 40% 역의 상관관계를 보인다. 동쪽보다는 서쪽에서 많이 키운다는 건가? 인구가 서쪽에 몰려있으니 그럴 수도 있겠다.
• 평균 연령과 33% 역의 상관관계를 보인다. 나이가 어릴수록 동물을 등록해서 키우는 경향이 있다고 볼 수도 있겠다.
• 남녀 성별 차이는 없다

Code

pet_man.corr()

	등록동물수	등록소유자수	위도	경도	총 인구수	1000명당마리수	1소유자당마리수	평균연령	남자 평균연령	여자 평균연령
등록동물수	1.000000	0.929165	-0.258325	-0.400649	0.801469	0.603257	-0.320633	-0.337281	-0.335284	-0.336903
등록소유자수	0.929165	1.000000	-0.326905	-0.404202	0.802641	0.444666	-0.352341	-0.355903	-0.351853	-0.354996
위도	-0.258325	-0.326905	1.000000	-0.054979	-0.287853	-0.132644	0.376955	0.531682	0.521886	0.535785
경도	-0.400649	-0.404202	-0.054979	1.000000	-0.406309	0.010427	0.624281	0.573513	0.594505	0.554759
총 인구수	0.801469	0.802641	-0.287853	-0.406309	1.000000	0.084719	-0.428738	-0.529098	-0.522676	-0.530333
1000명당마리수	0.603257	0.444666	-0.132644	0.010427	0.084719	1.000000	0.197501	0.184070	0.188544	0.180885
1소유자당마리수	-0.320633	-0.352341	0.376955	0.624281	-0.428738	0.197501	1.000000	0.756414	0.785313	0.735683
평균연령	-0.337281	-0.355903	0.531682	0.573513	-0.529098	0.184070	0.756414	1.000000	0.996922	0.997771
남자 평균연령	-0.335284	-0.351853	0.521886	0.594505	-0.522676	0.188544	0.785313	0.996922	1.000000	0.989792
여자 평균연령	-0.336903	-0.354996	0.535785	0.554759	-0.530333	0.180885	0.735683	0.997771	0.989792	1.000000

최종 데이터프레임 csv 파일로 저장

Code

pet_man.to_csv('pet_man.csv', encoding='utf-8-sig')

차후 과제

• 전국 데이터로 작업을 하면 더 재미있는 결과를 볼 수 있을 것 같다.
• 펫카페 또는 반려동물 동반 관광지 정보를 지도에 표시하면 반려동물을 키우는 사람에게도 사업을 하려는 사람에게도 도움이 될 것 같다.
• 부천, 안산, 의정부가 타 시군에 비해 등록된 반려동물이 많은 이유가 뭘까? 유기동물 보호소가 있나?